Typ “support” in een klassieke zoekbalk op een willekeurige mkb-website en je krijgt elke pagina waar het woord “support” in voorkomt. Inclusief een vacature-pagina voor een supportmedewerker uit 2022. En een blog over support in een ander land.
Niet handig. Mensen verwachten in 2026 beter. En je kunt beter geven — zonder miljoen budget.
Wat is AI-search op een website?
Zoek die de intentie van de vraag begrijpt, niet alleen keywords. Iemand die “hoe werkt jullie pricing” intypt, krijgt je pricing-pagina én relevante FAQ-items — ook als het woord “pricing” nergens exact voorkomt.
Technisch onder de motorkap: een combinatie van semantic search (vector embeddings van je content) en vaak RAG (retrieval-augmented generation, waarbij een LLM een directe antwoord schrijft met citaten naar de gevonden pagina’s).
Waarom klassieke site-search faalt
Drie zwakheden van keyword-match:
- Synoniemen niet herkend. “Prijs” vs “kosten” vs “tarief” zijn aparte queries.
- Intent niet onderscheiden. “Contact” kan betekenen “waar vind ik contactinfo” of “ik wil contact opnemen” — verschillend resultaat nodig.
- Lange vragen sluiten in de war. “Hoe lang duurt het om een website te laten maken?” matcht op 10+ woorden met lage score; antwoord zit verscholen.
AI-search lost al deze op.
Wanneer loont het?
Wél als…
- Je website meer dan 50 pagina’s heeft (content-rijk). Zonder volume geen patroon om te leren.
- Bezoekers zoeken gericht naar informatie (bureau-site, documentatie, blog-archief).
- Je conversie-paden complex zijn (meerdere pagina’s om tot beslissing te komen).
- Je gebruikers herhaalde vragen stellen (indicatie voor RAG-chatbot-potentieel).
Niet als…
- Je website is <20 pagina’s en bezoekers blader simpelweg rond.
- Je niet gestructureerd content onderhoudt (onduidelijk wat is “actueel”).
- Gebruikersvolume te laag om van te leren (<500 sessions/mnd).
- Je hebt een webshop met andere primaire navigatie (product-filters), al is AI-search daar óók interessant, specifiek voor productvragen.
Drie implementatie-opties
Optie 1: Embedded service (laag-drempel)
Tools als Algolia AI, Typesense met vector-plugin, of Meilisearch bieden AI-search as-a-service. Je voert je content, zij doen de rest.
- Kosten: €50-500/mnd afhankelijk van volume
- Setup: 1-2 weken
- Voordelen: snel, getest, schaalbaar
- Nadelen: afhankelijk van vendor, beperkt qua custom logic
Optie 2: Eigen RAG op OpenAI / Anthropic API
Je bouwt de indexatie en zoek-endpoint zelf op je eigen server.
- Kosten: setup €3.000-10.000, runtime €50-300/mnd LLM + vector-db
- Setup: 3-6 weken
- Voordelen: volledig custom, data blijft in eigen stack
- Nadelen: bouwwerk + onderhoud
Optie 3: Model-gebaseerd (GPT Actions, Custom GPT)
Voor interne sites of simpele use-cases: laat een Custom GPT de content raadplegen.
- Kosten: €25/mnd ChatGPT per user + upload van docs
- Setup: 1 dag
- Voordelen: supergoedkoop voor interne toepassing
- Nadelen: niet geschikt voor publieke website-search
Wat wij bouwen op agensea.nl
De AI-search op deze site (AISearch.astro) werkt via optie 2: embeddings van alle content, vector-lookup, en een Groq-gehoste LLM die antwoord formuleert. Kosten per maand: ~€15 voor volumes tot 10.000 queries.
Dat dit werkt is geen garantie dat het bij jouw site werkt — hangt af van content-volume en query-patronen.
De 5 ingrediënten voor goede implementatie
1. Gestructureerde content. Zonder goede content-modellen (duidelijke titels, metadata, categorieën) is semantic search net zo verward als keyword-search.
2. Chunking-strategie. Je content wordt in stukjes gesplitst voor vector-indexering. Te grote chunks → onprecies. Te klein → verlies van context. Sweet spot: 200-400 tokens per chunk.
3. Embedding-model. OpenAI text-embedding-3-small is default. Voor Nederlands specifiek presteren Cohere of multilingual-modellen soms beter.
4. Hybrid search (semantic + keyword). Pure semantic mist soms exact term-matches. Hybrid combineert beide voor beste recall.
5. Observability. Log elke query + welke resultaten getoond. Maandelijkse review: welke zoeken falen, welke content ontbreekt. Zonder deze loop stagneert de kwaliteit.
Valkuilen
Valkuil A: “Zoekfunctie die geen antwoord vindt” = conversie-killer. Als 30% van zoekopdrachten niets oplevert, verslechter je de site-ervaring. Beter een kwaliteits-fallback: “Niets gevonden — vraag onze assistent” met escalatie naar mens of chat.
Valkuil B: LLM halluucineert antwoorden. Als je met RAG een samenvattings-antwoord toont, zorg dat het model instructie heeft alleen op opgehaalde bronnen te antwoorden. En toon altijd bron-links.
Valkuil C: Te veel vertrouwen in de zoekbalk. Niet elke bezoeker gebruikt search. Goede navigatie + content-structuur blijft belangrijker dan een indrukwekkende zoekfunctie.
Wanneer het écht werkt
Twee tekenen dat je AI-search waarde heeft:
- Zoek-gebruik stijgt na implementatie (meer mensen proberen het)
- Bounce-rate op gezochte pagina’s daalt (mensen vinden wat ze zoeken)
Binnen drie maanden moeten beide zichtbaar bewegen. Zo niet, dan voegt de feature geen waarde toe.
Verder
Een AI-search implementeren op jouw site? Bel 06 81 38 36 01 of plan een gesprek.
Tags
Geschreven door
Jorian Wientjens
Developer en technisch specialist bij Agensea. Bouwt al jaren websites en maatwerk software, en kent het hele speelveld — van hosting en DNS tot performance en code-architectuur.